致密砾岩储层水平井压裂甜点预测及优选:以准噶尔盆地玛湖区块MH01井为例

程启迪; 贺代兰; 许海威; 康芸玮; 代吉祥; 郭大立; 郭子熙

doi:10.12404/j.issn.1671-1815.2502975

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (10) :4158-4166 DOI: 10.12404/j.issn.1671-1815.2502975

石油、天然气工业

致密砾岩储层水平井压裂甜点预测及优选:以准噶尔盆地玛湖区块MH01井为例

程启迪 ¹ ,
贺代兰 ¹ ,
许海威 ¹ ,
康芸玮 ²^,^* ,
代吉祥 ² ,
郭大立 ² ,
郭子熙 ³^,⁴

作者信息 +

Prediction and Optimization of Fracturing Sweet Spots for Horizontal Wells in Tight Conglomerate Reservoirs: Well MH01 in Mahu Block, Junggar Basin

CHENG Qi-di ¹ ,
HE Dai-lan ¹ ,
XU Hai-wei ¹ ,
KANG Yun-wei ²^,^* ,
DAI Ji-xiang ² ,
GUO Da-li ² ,
GUO Zi-xi ³^,⁴

Author information +

文章历史 +

摘要

玛湖区块致密砾岩储层破裂压力差异较大,易导致水平井分段压裂改造不均衡、生产效果较差,亟待准确预测压裂甜点提升水平井改造效果。为此,基于随机森林和交叉验证,筛选了致密砾岩储层破裂压力的主控因素,利用阿尔法进化算法(Alpha evolution,AE)优化双向长短时记忆网络的超参数,建立了破裂压力的组合预测模型,将破裂压力引入压裂甜点评价并计算压裂甜度,创新建立了致密砾岩储层的压裂甜点预测模型,并以玛湖区块现场数据为例进行了验证。结果表明,主控因素筛选和超参数优化有效提升了破裂压力组合预测模型的准确率,预测的均方根误差(root mean square error,RMSE)为0.75、平均绝对百分比误差(mean absolute percentage error,MAPE)为0.63%、决定系数R²为0.92;压裂甜度与产油剖面(flow scanning imaging,FSI)数据回归的R²为0.87;将压裂甜点预测模型迁移应用到不同区块R²仍超过0.70。研究认为,压裂甜度与产油量具有较强的相关性,建立的压裂甜点预测模型具有良好的适用性,能够有效指导致密砾岩储层水平井的压裂设计和分段分簇优化,为实现均衡改造和提高采收率提供技术支撑。

Abstract

The fracture pressure of tight conglomerate reservoirs in the Mahu Block varies significantly, which easily leads to unbalanced staged fracturing stimulation of horizontal wells and poor production performance. There is an urgent need to accurately predict fracturing sweet spots to improve the stimulation effect of horizontal wells. To this end, based on RF (random forest) and cross-validation, the primary controlling factors of fracture pressure in tight conglomerate reservoirs were screened. The hyperparameters of BiLSTM (bidirectional long short-term memory) network were optimized using AE (alpha evolution) algorithm, and a hybrid prediction model for fracture pressure was established. Fracture pressure was introduced into fracturing sweet spot evaluation to calculate fracturing sweetness, and an innovative fracturing sweet spot prediction model for tight conglomerate reservoirs was developed. Finally, the model was verified using field data from the Mahu Block. The results show that the screening of primary controlling factors and hyperparameter optimization have effectively improved the accuracy of the hybrid fracture pressure prediction model, with a prediction RMSE(root mean square error) of 0.75, MAPE (mean absolute percentage error) of 0.63%, and Root mean square error,R² (coefficient of determination)of 0.92. The R² of the regression between fracturing sweetness and FSI(flow scanning imaging) data is 0.87. When the fracturing sweet spot prediction model is applied to different blocks, the R² still exceeds 0.70. The study concludes that fracturing sweetness has a strong correlation with oil production, and the established fracturing sweet spot prediction model has good applicability. It can effectively guide the fracturing design and staged-clustered optimization of horizontal wells in tight conglomerate reservoirs, providing technical support for achieving balanced reservoir modification and enhanced oil recovery.

Graphical abstract

关键词

致密砾岩 / 机器学习 / 均衡改造 / 压裂甜点 / 破裂压力

Key words

tight conglomerate / machine learning / balanced stimulation / fracturing sweet spot / fracture pressure

引用本文

引用格式 ▾

程启迪, 贺代兰, 许海威, 康芸玮, 代吉祥, 郭大立, 郭子熙. 致密砾岩储层水平井压裂甜点预测及优选:以准噶尔盆地玛湖区块MH01井为例[J]. 科学技术与工程, 2026, 26(10): 4158-4166 DOI:10.12404/j.issn.1671-1815.2502975

CHENG Qi-di, HE Dai-lan, XU Hai-wei, KANG Yun-wei, DAI Ji-xiang, GUO Da-li, GUO Zi-xi. Prediction and Optimization of Fracturing Sweet Spots for Horizontal Wells in Tight Conglomerate Reservoirs: Well MH01 in Mahu Block, Junggar Basin[J]. Science Technology and Engineering, 2026, 26(10): 4158-4166 DOI:10.12404/j.issn.1671-1815.2502975

登录浏览全文

4963

注册一个新账户忘记密码

致密砾岩油藏作为非常规油气资源的重要组成部分,其开发普遍面临起裂困难、裂缝扩展受限以及压裂改造不均衡等挑战。尽管水平井采用的多段多簇压裂技术可通过形成多条裂缝促进油气流动,但受天然裂缝发育程度、储层非均质性和破裂压力差异等因素影响,各簇裂缝的起裂与延伸存在显著差异^[1]。这些问题会显著降低整体压裂改造效果,进而影响油藏开发效益。其中,破裂压力作为决定裂缝能否顺利起裂与扩展的核心参数,其空间差异正是导致上述改造不均衡的关键所在。因此,精确预测破裂压力成为优化压裂设计和识别甜点区的关键环节。通过对破裂压力的准确分析,能够有效评估储层可压性,锁定高潜力甜点区域,并据此优化压裂参数设计,从而提升裂缝改造效果与导流能力,最终实现甜点区产能的高效释放。

目前破裂压力预测主要是通过经验公式法、现场地质分析法以及利用机器学习进行预测。经验公式法计算破裂压力主要的方法有:STEPHEN法^[2]、伊顿法^[3]以及黄氏应力分布法^[4],主要面临适用性差和准确率较低等问题,因此仅适用于初步估算和常规条件下的破裂压力预测,无法在复杂地质环境下进行准确分析;现场地质分析法主要包括Anderson法和声波测井法,该方法充分考虑地层的非均质性,相较于传统经验公式法预测更为准确,但对现场获取的地质参数准确性依赖性强和成本高;近年来,机器学习预测破裂压力应用较为广泛,其原因是机器学习能处理破裂压力的复杂非线性关系,同时也能自适应调整新的地质特征和进行多维度数据的融合分析,体现出强大的工程应用价值。

从压裂甜点研究上来看,杨琨等^[5]认为致密油藏压裂甜点的准确预测是合理部署井位和压裂改造成功的关键,建立基于可压性的压裂甜点计算模型,主要与岩石力学弹性参数(杨氏模量、泊松比)、岩石强度(抗拉强度、断裂韧性)、脆性指数、天然裂缝参数以及地应力等参数有关。李旻翾等^[6]认为水平井压裂层段位置的优选实质上可归结于“段甜点”位置的确定,在段甜点评价指标选取中,可压性指数作为关键指标,主要通过脆性指数与韧性指数予以表征。沈骋等^[7]指出,压裂改造甜点的准确识别是页岩气储层水力压裂实现经济产能的关键之一,考虑储层成层性、脆性矿物等压裂改造关键影响因素,引入综合脆性指数、储层层理与裂缝线性和缝网扩展线性,整合为缝网压裂甜点指数,建立四川盆地龙马溪组页岩气缝网压裂改造甜点识别方法。

综上所述,现有研究并未直接将破裂压力作为压裂甜点评价体系中的重要指标,且所构建的可压性指数也未能涵盖这一关键参数。尤其在目标区块存在起裂困难等实际条件下,该方法的局限性愈加凸显。因此,现以准噶尔盆地玛湖区块为例,针对其致密砾岩油藏天然裂缝欠发育、破裂压力差异大等特性,在对破裂压力主控因素分析的基础上,结合进化算法,建立破裂压力组合预测模型。进一步将破裂压力引入压裂甜点指标评价体系,构建多参数协同的压裂甜点预测模型。以期为玛湖区块致密砾岩油藏的段簇优选和压裂施工设计提供技术支撑。

1 研究区概况

玛湖区块位于新疆准噶尔盆地西北缘玛湖凹陷玛北斜坡带,致密油储量规模10亿吨级,是准噶尔盆地致密油重点勘探和开发区域。该区储集层岩性以砂砾岩为主,为构造岩性油藏,储集空间以粒内溶孔为主^[8-9],其地理位置及油藏分布如图1所示。

玛湖区块致密砾岩油藏埋深2 812~4 230 m,含油饱和度45%~65%,孔隙度3.17%~23.40%,覆压渗透率0.02~0.45 mD,砾石粒径2~35 mm,两向应力差10~22 MPa,杨氏模量19~25 GPa,泊松比0.2~0.25,具有埋藏深、物性差、非均质性强、岩石塑性、砾石粒径变化大、天然裂缝不发育等特征,水平井压裂面临起裂困难、改造效果差、甜点预测不准等挑战^[10]。

2 破裂压裂预测及应用

玛湖区块主要为致密砾岩油储层,在进行多簇射孔压裂时,起裂阶段常出现超压现象,导致施工排量受限,而排量过低则难以实现裂缝起裂与延伸,进而影响压裂改造的效果。因此,研究破裂压力对压裂甜点的影响显得尤为重要。

2.1 破裂压力主控因素分析

由于影响破裂压力的因素众多且各因素之间相互影响,直接分析易造成数据冗杂,降低分析准确性,因此需要筛选出主控因素建立破裂压力预测模型。采用随机森林算法(random forest,RF)进行特征筛选分析了致密砾岩储层破裂压力的各主控因素的重要性得分,随机森林能够处理高维度的数据,训练出的模型的方差小,泛化能力强;能够对不同特征的重要性进行有效评估^[11]。其次,利用交叉验证的交叉验证得分来确定最优参数个数,利用随机森林算法对破裂压力的主控因素分析如图2所示。

从图2可知,两次交叉验证的结果都是前8个因素时模型得分最优,故从随机森林的破裂压力主控因素排序中选取前8个因素作为后续破裂压力预测模型的输入,选取密度、最小主应力、声波时差、杨氏模量、最大主应力、泊松比、脆性指数和自然伽马这8个因素作为破裂压力预测模型的主要评价因素。

2.2 破裂压力预测模型构建

破裂压力预测是多时序列预测问题^[12],需要对历史数据进行高效学习来掌握输入与输出之间的非线性关系,因此,构建了一种结合阿尔法进化算法和双向长短时记忆网络的破裂压力组合预测模型,模型的流程图如图3所示,主要包括输入层,RF层、AE层和BiLSTM层。

模型通过输入层对数据进行输入并清洗数据后输出,利用RF层提取二者主控因素和交叉验证确定最优参数个数,将提取后的主控因素作为BiLSTM层的输入,利用该模型捕获时序依赖性等方面的优点^[13],学习其中复杂的非线性关系,最后利用AE层自动优化BilSTM模型的超参数。构建的组合算法通过强化特征选择、超参数优化和时序数据建模等进一步提升了预测的精度和效率。破裂压力构建的组合模型具体每层解释如下。

(1)输入层,对数据进行异常值剔除、缺失值补全和数据标准化等数据预处理方法,输出预处理后的精确数据。

(2)RF层,对处理后的数据进行集成学习,构建多个决策树,通过节点划分来评估每个特征对模型性能的贡献以及通过交叉验证确定最佳主控因素个数。

(3)AE层,阿尔法进化算法是一种基于进化策略的优化算法,其优化过程模拟了自然界的选择、交叉、变异等生物进化现象。该算法能够自适应地搜索超参数空间,避免陷入局部最优解或过拟合^[14],提升BiLSTM模型对不同数据集的适应性。

选择步,根据适应度选择优质个体,确保较好的解传递到下一代。

(1)

${P}_{\mathrm{s}}\left({x}_{i}\right)=\frac{\mathrm{f}\left({x}_{i}\right)}{\stackrel{M}{\sum _{i=1}}f\left({x}_{i}\right)}$

式(1)中:P_s(x_i)为个体x_i被选中的概率;f(x_i)为个体x_i的适应度;M为种群中个体的总数。

交叉步,将两个父代的基因进行组合,产生新个体(子代),增强解的多样性。

(2)

$\left\{\begin{array}{l}{x}_{\mathrm{c}1}=[{x}_{\mathrm{1,1}},{x}_{\mathrm{1,2}},\dots,{x}_{1,k}]\\ {x}_{\mathrm{c}2}=[{x}_{\mathrm{2,1}},{x}_{\mathrm{2,2}},\dots,{x}_{2,k}]\end{array}\right.$

式(2)中:k为交叉点;x_c1和x_c2为交叉后子代个体。

变异步,对个体的基因进行随机扰动,引入新的基因组合,增加种群的多样性,防止陷入局部最优解。

(3)

${x}_{\mathrm{n}}={x}_{\mathrm{o}}+{\delta }_{\mathrm{x}}$

式(3)中:x_n为变异后的个体;x_o为变异前的个体;δ_x为随机扰动项。

(4)BiLSTM层,为破裂压力组合预测模型的核心算法,通过隐藏层状态提取破裂压力主控因素的时序特征,通过前向层和后向层对历史和未来的双向学习,进而掌握破裂压力主控因素的变化趋势。BiLSTM每一级隐藏层状态组合方程为

(4)

$\left\{\begin{array}{l}{h}_{t}=\mathrm{L}\mathrm{S}\mathrm{T}\mathrm{M}({x}_{t},{h}_{t-1})\\ {h}_{i}=\mathrm{L}\mathrm{S}\mathrm{T}\mathrm{M}({x}_{i},{h}_{i-1})\\ h\text{'}{}_{t}={a}_{t}{h}_{t}+{b}_{t}{h}_{i}+{c}_{t}\end{array}\right.$

式(4)中:h'_t为每一级隐藏层状态;h_t为前向层状态;h_i为后向层状态;a_t、b_t为权重;c_t为偏置。

2.3 破裂压力预测模型应用

在破裂压力预测中,采用MH01井3 300~4 100 m部分的施工井段进行破裂压力连续性预测,该部分压裂7段54簇,选取水平段长689 m。

首先,利用输入层进行数据预处理等得到规范化数据,然后,利用随机森林模型计算的重要性得分以及交叉验证确定的8个破裂压力主控因素,将其作为BiLSTM模型的输入。

其次,利用阿尔法进化算法不断迭代优化BiLSTM网络模型的各类超参数,以最大适应度值为目标。该算法将最大迭代次数设定为1 000次,旨在通过迭代寻求最优的超参数组合,从而找到使BiLSTM模型在预测破裂压力中表现最佳的超参数配置。BiLSTM模型的超参数配置及适应度值简表如表1所示。

从表1可知,通过阿尔法进化算法优化后的最佳超参数配置的学习率为0.066、Dropout率为0.227、训练轮次为44、批次大小为92、序列长度为51、LSTM单元数为200、得到最优模型的适应度值为0.947。

最后,在确定模型最优的超参数配置后,将其系统性地集成到BiLSTM模型架构中,通过BiLSTM模型特有的时序特征提取能力和阿尔法进化算法的超参数优化能力,以确保构建的组合模型能够有效适应破裂压力的变化特征,从而显著提升破裂压力预测的准确性与场景适应性。最终将构建的组合模型与其他模型预测结果进行可视化对比。

图4为不同模型预测破裂压力结果的对比图。如图4所示,模型的预测值与真实值的趋势基本一致。基于玛湖区块水平应力差异大的特征,本文模型能够识别出相邻两簇破裂压力差异大的情况并进行准确预测,该算法能够为后续构建压裂甜点预测模型提供较为准确的破裂压力预测值。

此外,利用均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和拟合优度(R²)等评价指标进行进一步验证,不同模型预测破裂压力效果对比如表2所示。从表2可知,所构建的RF-AE-BiLSTM组合模型相较其余相关模型的性能有较大提升;相较于AE-BiLSTM模型的性能提升是因为利用森林算法提取了破裂压力的主控因素,使算法聚焦于破裂压力的核心驱动因素,更有效捕捉破裂压力数据的内在规律,也进一步减少特征数量,从而提升预测精度和效率;本文算法相较于RF-BiLSTM模型的性能提升主要是因为阿尔法进化算法自动检索BiLSTM模型内部超参数的最优组合,优化BiLSTM的网络结构,使得优化后超参数组合更加契合破裂压力数据复杂性和动态变化,进而提升了模型的预测精度和模型稳定性。

3 压裂甜点模型构建

3.1 压裂甜点主控因素分析

压裂“甜点”本质为压裂改造的优势井段,具有地质与工程的双重属性^[15]。在致密油油田钻探的油井中具有强烈的水力压裂处理,因此需要做不同于传统油田的分析^[16]。由具体压裂改造和生产实践可知,单一的地质参数或工程参数与压后等效产量的相关性较低,因此压裂“甜点”评价指标的选择必须综合考虑各因素的影响,选取影响压裂甜度的地质和工程的主要参数来进行综合甜度评价^[17]。

水平井压裂效果是多个参数共同作用的结果,可从地质因素和工程因素2个方面来考虑^[18]。地质因数主要描述储层物性和储集潜力,主要包括,孔隙度、渗透率、含油饱和度和泥质含量等主要因素;工程因素主要描述压裂改造破裂岩石结构生成裂缝系统和油气汇流通道,主要包括,泊松比、弹性模量、脆性指数、应力差异系数等主要因素。

基于玛湖区块天然裂缝不发育等特征,主要依靠压裂形成的人工缝网实现油气生产^[19-20];同时,破裂压力作为判断岩石是否起裂的重要依据^[21],是玛湖致密砾岩油藏资源开采的前提和基础;因而,将破裂压力作为压裂甜点的主控因素进行分析。

压裂甜点的部分主控因素根据常规测井参数,再利用经验公式推算得出,其中,破裂压力计算涉及地质因素,岩石力学、应力分析等多个交叉学科,通过传统经验公式误差较大,因此本文通过分析破裂压力的主控因素,建立组合神经网络来预测破裂压力。

在考虑各压裂甜点主控因素对压后产能的正负相关性后,进行指标同向化和归一化,如该因素与压后产能呈负相关关系,则需将该因素进行正向化处理,因素正向化公式为

(5)x_i=(1-p)(x_max-x_min)+x_min, i=1,2,…,n

式(5)中:x_min为该因素的最小值;x_max为该因素最大值;p为小于等于该因素值的占比。

3.2 压裂甜点主控因素权重分析

压裂甜点的主控因素对压裂改造效果存有差异,对各主控因素合理分配权重是构建压裂甜点评价模型的重要前提,为了具体量化各因素的重要性,通过熵权法进行客观赋权,得出每个因素的相对权重。压裂甜点主控因素权重分配如表3所示。从表3可知,压裂甜点的主控因素权重排序为渗透率、孔隙度、破裂压力、含油饱和度、泥质含量、弹性模量、应力差异系数、泊松比和脆性指数。渗透率是致密砾岩油藏等天然渗流能力有限储层中流体流动性的关键因素,直接影响压裂后裂缝的导流能力及储层的油气产出潜力,通过熵权法得出的渗透率这一参数相对靠前的排序结果与实际致密砾岩油藏开发具体情况具有较高的契合度。

3.3 压裂甜点预测模型构建

针对归一化后的压裂甜点主控因素,通过熵权法获取不同因素的权重,压裂甜点主控因素权重分配如表3所示。然后对因素进行综合评价,得到的结果视为能够综合反映可压性和生产能力的压裂甜度,将其视为地质与工程综合甜点的定量表征,即压裂甜点。压裂甜点计算公式为

(6)

$\mathrm{S}=\stackrel{u}{\sum _{i=1}}{w}_{i}{G}_{i}+\stackrel{v}{\sum _{j=1}}{\omega }_{j}{E}_{j}$

式(6)中:S为评价压裂甜点的压裂甜度;w_i、G_i分别为第i个地质因素的权重和取值;ω_j、E_j分别为第j个工程因素的权重和取值;u、v分别为地质因素和工程因素的个数。

4 实例分析

4.1 应用实例分析

MH01井位于玛湖A区块,地层主要由致密碳酸盐岩、致密砂岩和部分页岩组成,储层位于下侏罗纪和白垩纪地层,储层深度在3 360~4 640 m,水平段长1 280 m,该井岩层具有典型的孔隙度和渗透率低的特征。对这一典型水平井的重点分析,有助于深化对玛湖区块致密砾岩油藏的成藏机制与优化压裂施工设计的认识。

图5为MH01井连续性测井剖面压裂甜度预测及每簇产油量的对比图。从图5可知,同段不同深度下的压裂甜度值差异较大,究其原因主要是孔隙度和渗透率等压裂甜度的主控因素差异较为明显。以压裂甜度值0.3和0.6来划分非甜点、Ⅱ类甜点和Ⅰ类甜点。得出第17、第18、第19段属于高压裂甜度值密集分布井段,具有较高的开发潜力,属于Ⅰ类甜点;第10、第11、第12、第13、第16段的单簇压裂甜度值超过0.6,以及第20段的压裂甜度值大部分位于0.3~0.6,仍然具有一定开发潜力,属于Ⅱ类甜点;第8、第9、第14、第15段压裂甜度值相对较小,属于非甜点井段,开发潜力有限。

此外,压裂甜点值较高的密集分布区域的每簇产油量相对较高;而不具备开发潜力的非甜点的密集区域产油量也较低,这说明所构建的压裂甜点预测模型能够准确识别甜点分布及类型,预测的压裂甜度值与FSI产出剖面的产油量变化趋势高度吻合,可以为玛湖区块致密油藏水平井的井段优选提供技术支撑。

为定量评价压裂甜点与产油量的相关性,以段为单位,共计13段,将同段内不同簇的压裂甜度值与同段每簇产油量进行算术平均,然后利用线性回归验证二者的相关性;同时,为了验证本文提出破裂压力作为压裂甜点的主控因素在压裂甜点识别过程中的重要性,对比了去除破裂压力后的压裂甜点值与产油量的回归结果。

压裂甜度与每簇产油量回归结果如图6所示,考虑破裂压力的压裂甜点的拟合优度R²相较于未考虑破裂压力的压裂甜点R²有较大提升,进一步说明了破裂压力在具有天然裂缝不发育等特征的新疆玛湖致密砾岩油藏开发的重要性。所提出的压裂甜度与每簇产油量回归的拟合优度R²为0.87,说明压裂甜度与每簇产油量具有较强的相关性,可用于定量表征储层改造潜力和资源富集度。为致密砾岩油藏的高效开发和分段分簇优化提供数据支持和理论依据。

4.2 模型迁移性分析

为验证所构建的压裂甜点预测与优选模型的迁移性能力,将该模型应用于玛湖B、C区块投产井以及杭锦旗地区、徐家围子地区等致密储层,并以同段内各簇压裂甜度均值与同段内每簇产油/气量均值进行线性回归,通过拟合优度R²来进行定量评价。目标区块基本参数及迁移结果如表4所示。从表4可知,所构建的压裂甜点预测模型在不同区块的致密储层中仍具有较好的应用效果,在玛湖B、C区块其他投产井的R²均超过0.80,杭锦旗地区、徐家围子地区的R²均超过0.70,根据不同区块的基本参数和迁移结果可以得出,破裂压力在致密砾岩油藏压裂甜点识别中的重要性,未来可通过分析其他类型储层的相关特征并考虑核心参数,从而提升模型的迁移能力以及在其他类型储层中的应用效果。

5 结论

以玛湖区块典型井MH01为例,进行了破裂压力和压裂甜度预测,并对二者分别进行了验证,得出如下结论。

(1)基于随机森林算法结合交叉验证,确定了玛湖区块致密砾岩储层破裂压力的主控因素,分别为密度、最小主应力、声波时差、杨氏模量、最大主应力、泊松比、脆性指数和自然伽马。

(2)建立的破裂压力组合预测相较于BiLSTM、RF-BiLSTM、AE-BiLSTM,模型准确率最高,模型的RMSE为0.75、MAPE为0.63%和R²为0.92,能够准确预测致密砾岩储层破裂压力。

(3)压裂甜度与产油量均值的线性回归R²为0.87,二者具有较强的线性相关性,建立的压裂甜点预测模型能够准确识别致密砾岩优质储层。

(4)压裂甜点预测模型在不同区块的致密储层均表现出较好的迁移能力,进一步考虑不同类型储层的地质特征,可增强模型的适用性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	朱维耀, 岳明, 刘昀枫, 等. 中国致密油藏开发理论研究进展[J]. 工程科学学报, 2019, 41(9): 1103-1114.

[2]	Zhu Weiyao, Yue Ming, Liu Yunfeng, et al. Research progress on development theory of tight oil reservoirs in China[J]. Journal of Engineering Science, 2019, 41(9): 1103-1114.

[3]	Stephen R D. Prediction of fracture pressures for wildcat wells[J]. Journal of Petroleum Technology, 1982, 34(4): 863-872.

[4]	Eaton B A. Fracture gradient prediction and its application in oilfield operations[J]. Journal of Petroleum Technology, 1969, 21(10): 1353-1360.

[5]	黄荣樽. 地层破裂压力预测模式的探讨[J]. 华东石油学院学报, 1984(4): 335-347.

[6]	Huang Rongzun. Discussion on prediction model of formation fracture pressure[J]. Journal of East China Petroleum Institute, 1984(4): 335-347.

[7]	杨琨, 罗山贵, 花凌旭, 等. 致密砾岩油藏压裂甜点预测研究——以玛18井区为例[J]. 科学技术与工程, 2022, 22(32): 14174-14183.

[8]	Yang Kun, Luo Shangui, Hua Lingxu, et al. Prediction of fracturing sweet spots in tight conglomerate reservoirs: a case study of Ma 18 well block[J]. Science Technology and Engineering, 2022, 22(32): 14174-14183.

[9]	李旻翾, 孙敬, 胡佳妮, 等. 页岩气水平井段甜点优选模型[J]. 科学技术与工程, 2020, 20(24): 9844-9850.

[10]	Li Minxuan, Sun Jing, Hu Jiani, et al. Sweet spot optimization model for horizontal shale gas well sections[J]. Science Technology and Engineering, 2020, 20(24): 9844-9850.

[11]	沈骋, 赵金洲, 任岚, 等. 四川盆地龙马溪组页岩气缝网压裂改造甜点识别新方法[J]. 天然气地球科学, 2019, 30(7): 937-945.

[12]	Shen Cheng, Zhao Jinzhou, Ren Lan, et al. A new method for identifying sweet spots of network fracturing in Longmaxi Formation shale gas reservoirs, Sichuan Basin[J]. Natural Gas Geoscience, 2019, 30(7): 937-945.

[13]	许江文, 李建民, 邬元月, 等. 玛湖致密砾岩油藏水平井体积压裂技术探索与实践[J]. 中国石油勘探, 2019, 24(2): 241-249.

[14]	Xu Jiangwen, Li Jianmin, Wu Yuanyue, et al. Exploration and practice of volume fracturing technology for horizontal wells in Mahu tight conglomerate reservoirs[J]. China Petroleum Exploration, 2019, 24(2): 241-249.

[15]	曹正林, 李攀, 王瑞菊. 准噶尔盆地玛湖凹陷P-T转换期层序结构、坡折发育及油气地质意义[J]. 天然气地球科学, 2022, 33(5): 807-819.

[16]	Cao Zhenglin, Li Pan, Wang Ruiju. Sequence architecture, slope break development and petroleum geological significance during P-T transition in Mahu Sag, Junggar Basin[J]. Natural Gas Geoscience, 2022, 33(5): 807-819.

[17]	刘文锋, 张旭阳, 张小栓, 等. 致密油多段压裂水平井产能预测方法[J]. 新疆石油地质, 2019, 40(6): 731-735.

[18]	Liu Wenfeng, Zhang Xuyang, Zhang Xiaoshuan, et al. Producti-vity prediction method of multi-stage fractured horizontal wells in tight oil reservoirs[J]. Xinjiang Petroleum Geology, 2019, 40(6): 731-735.

[19]	黄安, 蔡文渊, 魏新路, 等. 基于改进随机森林的火山岩测井岩性识别[J]. 科学技术与工程, 2023, 23(9): 3696-3704.

[20]	Huang An, Cai Wenyuan, Wei Xinlu, et al. Lithology identification of volcanic rocks based on improved random forest algorithm[J]. Science Technology and Engineering, 2023, 23(9): 3696-3704.

[21]	李媛, 郭大立, 康芸玮. 融合注意力机制的煤层气产量动态预测[J]. 科学技术与工程, 2023, 23(2): 550-557.

[22]	Li Yuan, Guo Dali, Kang Yunwei. Dynamic production prediction of coalbed methane incorporating attention mechanism[J]. Science Technology and Engineering, 2023, 23(2): 550-557.

[23]	陈虹, 由雨竹, 金海波, 等. 改进特征选择和CNN-BiLSTM的网络入侵检测方法[J]. 微电子学与计算机, 2025. DOI: 10.19304/J.ISSN1000-7180.2024.0613.

[24]	Chen Hong, You Yuzhu, Jin Haibo, et al. Network intrusion detection method based on improved feature selection and CNN-BiLSTM[J]. Microelectronics & Computer, 2025. DOI: 10.19304/J.ISSN1000-7180.2024.0613.

[25]	Gao H, Zhang Q K. Alpha evolution: an efficient evolutionary algorithm with evolution path adaptation and matrix generation[J]. Engineering Applications of Artificial Intelligence, 2024, 137.DOI: 10.1016/j.engappai.2024.109202.

[26]	廖东良. 页岩气层“双甜点”评价方法及工程应用展望[J]. 石油钻探技术, 2020, 48(4): 94-99.

[27]	Liao Dongliang. Evaluation method and engineering application prospect of “dual sweet spots” in shale gas reservoirs[J]. Petro-leum Drilling Techniques, 2020, 48(4): 94-99.

[28]	Frank M, James I D. The paradox of increasing initial oil production but faster decline rates in fracking the Bakken Shale: implications for long term productivity of tight oil plays[J]. Journal of Petroleum Science and Engineering, 2022, 208(Part A). DOI: 10.1016/j.petrol.2021.109406.

[29]	王心竹, 陈佳豪, 任宗孝. 致密砂岩气井压裂井段甜点定量评价及优选方法[J]. 天然气勘探与开发, 2022, 45(4): 134-140.

[30]	Wang Xinzhu, Chen Jiahao, Ren Zongxiao. Quantitative evaluation and optimization method of fracturing sweet spots in tight sandstone gas wells[J]. Natural Gas Exploration and Development, 2022, 45(4): 134-140.

[31]	李克智. 鄂尔多斯盆地大牛地气田致密砂岩气藏水平井压裂“甜点”识别方法[J]. 大庆石油地质与开发, 2022, 41(6): 124-132.

[32]	Li Kezhi. Identification method of fracturing “sweet spots” for horizontal wells in tight sandstone gas reservoirs of Daniudi Gas Field, Ordos Basin[J]. Petroleum Geology & Oilfield Development in Daqing, 2022, 41(6): 124-132.

[33]	朱键, 范希彬, 高阳, 等. MH凹陷W组砂砾岩储层原始含油饱和度测井评价[J]. 断块油气田, 2021, 28(4): 509-513.

[34]	Zhu Jian, Fan Xibin, Gao Yang, et al. Logging evaluation of original oil saturation in glutenite reservoirs of W Formation, MH Sag[J]. Fault-Block Oil & Gas Field, 2021, 28(4): 509-513.

[35]	张帆, 高明, 陈国军, 等. 电成像孔隙度谱在砂砾岩有效储层识别的应用[J]. 科学技术与工程, 2022, 22(2): 488-495.

[36]	Zhang Fan, Gao Ming, Chen Guojun, et al. Application of electrical imaging porosity spectrum in effective reservoir identification of glutenite[J]. Science Technology and Engineering, 2022, 22(2): 488-495.

[37]	郭大立, 王玉基, 张小栓, 等. 基于随钻测井数据预测破裂压力[J]. 科学技术与工程, 2023, 23(5): 1923-1930.

[38]	Guo Dali, Wang Yuji, Zhang Xiaoshuan, et al. Fracture pressure prediction based on logging while drilling data[J]. Science Technology and Engineering, 2023, 23(5): 1923-1930.

[39]	宗廷博, 陈德照, 杨頔, 等. 鄂尔多斯盆地杭锦旗西部山西组致密砂岩储层特征及物性控制因素[J]. 天然气地球科学, 2024, 35(4): 608-622.

[40]	Zong Tingbo, Chen Dezhao, Yang Di, et al. Characteristics of tight sandstone reservoirs and factors controlling their physical properties of the Shanxi Formation in the western Hangjinqi of the Ordos Basin[J]. Natural Gas Geoscience, 2024, 35(4): 608-622.

[41]	陈海峰, 王凤启, 王民. 徐家围子断陷沙河子组致密砂砾岩气藏特征与资源潜力[J]. 中南大学学报(自然科学版), 2018, 49(1): 141-149.

[42]	Chen Haifeng, Wang Fengqi, Wang Min. Characteristics and resource potential of the dense gravel gas reservoir of the Xujiayuanzi downfaulting shale group[J]. Journal of Central South University (Natural Science Edition), 2018, 49(1): 141-149.